利用 PostgreSQL 构建数据和人工智能平台 (Chinese Edition)

第二章 数据决定人工智能成败

本作品已使用人工智能进行翻译。欢迎您提供反馈和意见：[e-mail]

在企业部署人工智能时，人们往往将注意力集中在尖端模型和炫目的应用上。这些内容占据着头条新闻。但有一个至关重要的因素却被忽视了：数据。即使被提及，数据似乎也只是事后才想到的，或者只是需要打勾确认的项目。

然而，若缺乏高质量数据及坚实策略支撑，任何AI实施都注定失败。数据是AI成功的基石——它能提升决策质量、确保内容准确性、优化搜索效率，其价值远不止于此。成功的AI战略必须植根于对数据的深度理解，不仅要明确数据来源，更要掌握其处理、存储与持续优化的全流程。

参考标普全球市场情报与WEKA联合开展的调查：逾1500名AI从业者及领导者指出，部署AI的最大挑战在于存储与数据管理。相比之下，仅26%受访者提及计算资源（如GPU访问权限），23%关注安全问题。此类调查并非特例，多项研究均印证了这一结论。

本章将审视人工智能发展格局，重点探讨数据及其新术语的重要性——这是理解该议题的核心所在。

理解人工智能的不同模式

1955年达特茅斯会议上，斯坦福大学教授约翰·麦卡锡首次提出"人工智能"概念，将其定义为"使机器掌握语言运用、形成抽象概念、解决人类专属难题并实现自我进化的方法"。

此后，人工智能的定义不断扩展，涵盖了多种算法、模型和系统，例如机器学习（ML）、Deep Learning、强化学习、自然语言处理（NLP）、计算机视觉和生成式人工智能（GenAI）。

人工智能技术的分类方式多种多样，取决于强调技术特征、商业成果还是行业应用场景等因素。本书聚焦三大核心类别：描述性人工智能、预测性人工智能和 生成式人工智能。此框架的优势在于它最直接契合企业评估、部署和扩展该技术的方式。 这种方法能有效穿透炒作迷雾，厘清各类AI的价值所在（参见表2-1）。

表2-1. 人工智能分类

AI类型	描述与示例
描述性人工智能	分析历史数据以理解事件发生及其原因 Go beyond business intelligence范畴，运用机器学习/自然语言处理技术发掘结构化与非结构化数据中的规律 自动化洞察生成 示例：发现销售下滑与客户投诉存在关联
预测性人工智能	运用机器学习预测未来结果 需依托强大的数据基础设施（如数据湖） 在实时场景中效果最佳 示例：预测医院再入院率以实现早期干预
生成式AI	生成新内容（如文本、图像、音频、代码） 由基于海量数据集训练的LLMs驱动 适用于个性化定制与创意生成 示例：起草个性化营销邮件以提升用户参与度

描述性人工智能

描述性人工智能类似于商业智能（BI），旨在通过分析历史数据辅助决策。其核心在于解析既往事件并探究成因。用户可通过BI系统查询各类应用场景，包括识别销售趋势、分析库存水平或挖掘客户洞察。

描述性人工智能与商业智能均致力于数据分析与洞察提供，但二者在方法论与能力上存在差异。传统商业智能依赖预定义查询、仪表盘及报告来汇总结构化数据，这类工具通常需要人工配置与干预。而描述性人工智能则借助机器学习与自然语言处理技术，动态分析结构化与非结构化数据，从而发掘更深层的模式与异常现象。

例如：采用BI的零售企业可能生成显示各区域月度销售额的静态报告，而描述性AI系统则能结合客户评价分析同一数据集，从而发现某区域销售下滑系因配送延迟引发的投诉所致。

这种整合多元数据类型并自动生成洞察的能力，正是描述性人工智能区别于传统商业智能的关键所在。 ...